基于BP神經(jīng)網(wǎng)絡(luò)的東嶼島遙感影像分類

曹兆偉，林寧，徐文斌，盧文虎，張孝龍

（1.上海海洋大學(xué)，上?！?01306；2.國家海洋信息中心，天津　300171；3.鎮(zhèn)江市氣象局，江蘇　鎮(zhèn)江　212003）

基于BP神經(jīng)網(wǎng)絡(luò)的東嶼島遙感影像分類

曹兆偉1，林寧2，徐文斌2，盧文虎2，張孝龍3

（1.上海海洋大學(xué)，上海201306；2.國家海洋信息中心，天津300171；3.鎮(zhèn)江市氣象局，江蘇鎮(zhèn)江212003）

精準(zhǔn)高效的海島遙感影像分類是充分利用海島基礎(chǔ)資料的有效手段，也是全面掌握海島基本情況及變化情況、保障海島保護和開發(fā)利用有序進行、實現(xiàn)全國海島動態(tài)監(jiān)管的重要技術(shù)措施。以2008年海南省東嶼島航空遙感影像為數(shù)據(jù)源，借助ENVI遙感圖像處理軟件選取訓(xùn)練樣本集，通過MATLAB仿真軟件構(gòu)建“3-8-5”的3層BP神經(jīng)網(wǎng)絡(luò)分類模型，實現(xiàn)對東嶼島遙感影像的分類。實驗結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)分類總精度為87.85%，Kappa系數(shù)為0.84，與最小距離法分類相比，分別提高5.53個百分點和0.07。實驗證明BP神經(jīng)網(wǎng)絡(luò)分類方法是一種行之有效且精確度更高的分類方法。

BP神經(jīng)網(wǎng)絡(luò)；影像分類；海島；東嶼島

海島作為我國沿海第二經(jīng)濟帶，是壯大海洋經(jīng)濟、拓展發(fā)展空間的重要依托，也是保護海洋環(huán)境、維護生態(tài)平衡的重要平臺，更是捍衛(wèi)國家權(quán)益保障國防安全的戰(zhàn)略前沿（吳姍姍等，2013），因此對海島及其周邊海域進行監(jiān)視監(jiān)測是一項必不可少的基礎(chǔ)性工作。但由于海島地理位置遠(yuǎn)離大陸，交通不便，登島困難，而利用遙感技術(shù)則可克服上述不利，因此成為海島監(jiān)視監(jiān)測的主要手段之一。

遙感技術(shù)是20世紀(jì)60年代初興起的一門綜合性探測技術(shù)，遙感影像分類是遙感信息提取的重要手段，發(fā)展分類方法提高分類效率和精度更是遙感應(yīng)用研究的熱點（賈坤等，2011）。在目前的遙感圖像分類應(yīng)用中，用的最多的是傳統(tǒng)的模式識別分類方法：諸如最小距離法，最大似然法等監(jiān)督分類法。其分類的結(jié)果由于遙感圖像本身的空間分辨率以及“同物異譜”，“同譜異物”現(xiàn)象的存在，而往往出現(xiàn)比較多的錯分、漏分情況，導(dǎo)致了分類精度不高（段新成，2008），而在處理遙感影像分類過程中，BP神經(jīng)網(wǎng)絡(luò)能夠很好地適應(yīng)紋理豐富，含混度高的遙感影像，通過隱含層節(jié)點設(shè)置，能夠較好地解決分類過程中“同質(zhì)異譜”與“同譜異質(zhì)”問題（可華明等，2010），且BP神經(jīng)網(wǎng)絡(luò)分類算法相比其他統(tǒng)計分類算法具有較強的學(xué)習(xí)能力，更容易結(jié)合遙感、影像的紋理、光譜、坡度、坡向等信息對地物類別信息進行提?。ㄊY捷峰，2011），所以BP神經(jīng)網(wǎng)絡(luò)在遙感影像分類領(lǐng)域得到廣泛的應(yīng)用。

鑒于此，本文利用2008年5月東嶼島航空遙感圖像作為數(shù)據(jù)源，在Matlab 7.0和ENVI 5.0等軟件平臺支持下，嘗試用BP神經(jīng)網(wǎng)絡(luò)方法對東嶼島進行影像分類，旨在增加對人工神經(jīng)網(wǎng)絡(luò)的認(rèn)知，提高應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的水平，并為海島智能化遙感影像分類研究和海島資源調(diào)查等提供技術(shù)參考。

1　研究區(qū)概況及數(shù)據(jù)說明

東嶼島位于博鰲港萬泉河出?？冢`屬海南瓊海市博鰲鎮(zhèn)，面積1.8 km2。該島地形獨特，從空中俯瞰就像一只緩緩游向南海的“巨鰲”。傳說昔日觀音大士在此降鰲，鰲之原身化為美麗的東嶼島。東嶼島四周河水環(huán)繞，是一個水中有島、島中有水、波光錯落、景色秀麗的島嶼。島上有廣闊的高爾夫球場，超五星級的索菲特大酒店，亞洲論壇博物館11個區(qū)，以及按五行八卦原理建造的好運臺，是“博鰲亞洲論壇”永久會址所在地。

本次研究使用的數(shù)據(jù)為兩景相鄰航空圖像鑲嵌而成，其獲取時間為2008年5月9日，地理坐標(biāo)為19.13°N-19.15°N，110.56°E-110.58°E，其包括紅、綠、藍(lán)3個基本波段。為研究簡便將其空間分辨率重采樣為2 m，經(jīng)過裁剪掩膜后，圖像大小為801×902個像素的tiff格式文件（圖1）。影像質(zhì)量良好，有少量云影，較清楚反映了該島自然現(xiàn)狀和開發(fā)利用情況。

2　BP神經(jīng)網(wǎng)絡(luò)設(shè)計

圖1　東嶼島航空遙感影像

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN）是對生理學(xué)上的真實人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，以及若干基本特征的某種理論抽象、簡化和模擬而構(gòu)成的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)有多種網(wǎng)絡(luò)模型，但目前應(yīng)用最廣，基本思想最直觀，最容易被理解，到現(xiàn)在為止在遙感影像分類中應(yīng)用最多的是多層前饋網(wǎng)絡(luò)及誤差反向傳播的學(xué)習(xí)算法（Error Back Propagation），簡稱BP神經(jīng)網(wǎng)絡(luò)（賈永紅等，2001）。

BP神經(jīng)網(wǎng)絡(luò)算法基本思想是把學(xué)習(xí)過程分成信息的正向傳播和誤差的反向傳播兩個過程。首先輸入層單元接受來自外界的輸入信息，然后經(jīng)過隱含層單元處理后，最后傳遞給輸出層單元并產(chǎn)生一個輸出模式，完成一次學(xué)習(xí)的正向傳播過程，這個過程是逐層狀態(tài)的更新。當(dāng)實際輸出模式與期望輸出模式不符時，進入誤差反向傳播階段，網(wǎng)絡(luò)沿連接通路將誤差值逐層傳送，并按誤差梯度下降的方式對各層結(jié)點間的連接權(quán)值進行修正調(diào)整。通過周而復(fù)始的信息正向傳播和誤差反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)輸出誤差減少到可以接受的程度。BP神經(jīng)網(wǎng)絡(luò)設(shè)計一般包括輸入層、隱含層和輸出層節(jié)點數(shù)的確定，隱含層層數(shù)的確定。

2.1輸入層和輸出層節(jié)點數(shù)的確定

BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層節(jié)點數(shù)的確定需根據(jù)實際情況具體考慮。本實驗中輸入的數(shù)據(jù)為航空影像，有3個波段，因此輸入層節(jié)點數(shù)為3。輸出層節(jié)點數(shù)根據(jù)分類地物的類型數(shù)目確定。本實驗中，根據(jù)人工目視解譯和東嶼島地理特征將遙感影像簡要分為草地、建筑物、林地、水體、沙地（高爾夫球場的白沙子）5大類別，由于道路用地斑塊面積小，本研究不將其作為分類類型，因此輸出層神經(jīng)元個數(shù)為5個。

2.2隱含層節(jié)點數(shù)的確定

關(guān)于隱含層神經(jīng)元個數(shù)的確定目前仍沒有一個確切的數(shù)學(xué)公式來求解，隱含層神經(jīng)元個數(shù)往往需要多次試驗才能確定（李源泰，2010）。隱含層的節(jié)點數(shù)太少，網(wǎng)絡(luò)不能得到充分地訓(xùn)練，訓(xùn)練時間短，訓(xùn)練精度不高；隱含層的節(jié)點數(shù)太多，則容錯性差，導(dǎo)致計算量增加。隱含層節(jié)點數(shù)的初始值可先由公式N=（A×B+0.5A×（B2+B）-1）/（A+B）（毛建旭等，2001）來確定，其中A為分類數(shù)量，B為特征向量維數(shù)。初始值選好后通過不斷增加或減少神經(jīng)元個數(shù)來確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)分類模型，本研究經(jīng)過多次實驗確定隱含層使用8個節(jié)點數(shù)。

2.3隱含層層數(shù)的確定

BP網(wǎng)絡(luò)有一個重要的結(jié)論：對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)，都可以用具有一個隱含層的BP網(wǎng)絡(luò)來逼近，因而一個3層BP網(wǎng)絡(luò)可以完成任意的n維到m維的映射（飛思科技產(chǎn)品研發(fā)中心，2003）。所以本研究中取單隱層BP神經(jīng)網(wǎng)絡(luò)，即3層BP神經(jīng)網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2　3層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

3　BP神經(jīng)網(wǎng)絡(luò)遙感影像分類的實現(xiàn)

本實驗以MATLAB為平臺編程實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)對遙感影像的自動分類。MATLAB是用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計算的高級技術(shù)計算語言和交互式環(huán)境的數(shù)學(xué)軟件，其中人工神經(jīng)網(wǎng)絡(luò)工具箱是應(yīng)用最為廣泛的軟件包之一（李燕，2012）。分類實現(xiàn)主要步驟包括：訓(xùn)練樣本的選取，網(wǎng)絡(luò)的創(chuàng)建、訓(xùn)練和仿真，影像自動分類和結(jié)果輸出。

3.1訓(xùn)練樣本的選取

神經(jīng)網(wǎng)絡(luò)訓(xùn)練至關(guān)重要的一步是訓(xùn)練樣本的選取，它直接關(guān)系到最后影像分類的精度，是神經(jīng)網(wǎng)絡(luò)在遙感影像分類應(yīng)用中的重要研究內(nèi)容。訓(xùn)練樣本的選取既要保證樣本的典型性和代表性，又要保證神經(jīng)網(wǎng)絡(luò)訓(xùn)練能得到收斂。本實驗訓(xùn)練樣本的選取采用非像元去除法（都業(yè)軍，2008）。該方法通過剔除感興趣區(qū)域周圍的非樣本像元，在輸入網(wǎng)絡(luò)訓(xùn)練之前再處理所有波段值為0的像元從而獲得大量純凈的訓(xùn)練樣本。

在ENVI平臺上進行訓(xùn)練樣本選取，利用ENVI的ROI TOOLS選取東嶼島范圍內(nèi)各個地類特征最為明顯的區(qū)域，將每類ROI區(qū)域分別裁剪出來作為訓(xùn)練樣本（圖3）。由于選取的ROI區(qū)域不一定是矩形，但輸入到MATLAB的數(shù)據(jù)必須是矩形，必須要對非樣本區(qū)域用0值掩膜，又因為0值像元會對網(wǎng)絡(luò)訓(xùn)練造成影響，所以用非像元去除法去掉0值掩膜的像元。

圖3　東嶼島訓(xùn)練樣本

3.2網(wǎng)絡(luò)的創(chuàng)建、訓(xùn)練和仿真

本實驗利用MATLAB的ANN工具箱中newff函數(shù)創(chuàng)建一個BP人工神經(jīng)網(wǎng)絡(luò)，隱含層的傳遞函數(shù)采用tansig，輸出層的傳遞函數(shù)采用purelin，網(wǎng)絡(luò)訓(xùn)練函數(shù)采用trainlm。

BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建好后將訓(xùn)練樣本輸入網(wǎng)絡(luò)中進行訓(xùn)練，但樣本圖像數(shù)據(jù)不能直接輸入到網(wǎng)絡(luò)中，需要對圖像數(shù)據(jù)進行降維、歸一化等預(yù)處理工作。在MATLAB中可以采用imread函數(shù)將彩色圖像可以分解成RGB 3個灰度向量。

將降維后的圖像變?yōu)殡p精度一維向量形式，并歸一化到 [-1，1]之間，此過程采用im2double和reshape函數(shù)實現(xiàn)。將其余訓(xùn)練樣本進行同樣的數(shù)據(jù)預(yù)處理后組合成3行n列的輸入矩陣，其過程如圖4所示：

圖4 圖像降維過程

本實驗將東嶼島影像分為5類地物，目標(biāo)矩陣則為5行n列的單位矩陣，每一行對應(yīng)一類地物，其形式為：

T=[10000%草地

01000%建筑物

00100%林地

00010%水體

00001]%沙地

輸入矩陣和目標(biāo)矩陣確定后即可進行網(wǎng)絡(luò)訓(xùn)練，其過程如圖5所示。

圖5 網(wǎng)絡(luò)訓(xùn)練過程

網(wǎng)絡(luò)訓(xùn)練的目的在于求出能滿足目標(biāo)要求的權(quán)矩陣，通過該權(quán)矩陣實現(xiàn)原影像的智能分類。在MATLAB中采用train函數(shù)進行網(wǎng)絡(luò)訓(xùn)練，代碼為：net=train（net，P，T），其中P，T分別為輸入矩陣和目標(biāo)矩陣。此外，在網(wǎng)絡(luò)訓(xùn)練前相關(guān)配置參數(shù)如下：

net.trainParam.show=10；

%每訓(xùn)練10次顯示一次

net.trainParam.epochs=200；

%最大訓(xùn)練次數(shù)為200

net.trainParam.lr=0.02；

%網(wǎng)絡(luò)學(xué)習(xí)速率0.02

net.trainParam.mc=0.85；

%動量因子為0.85

net.trainParam.goal=0.045；

%期望誤差為0.045

其中學(xué)習(xí)速率是決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量，學(xué)習(xí)速率不能設(shè)置過大，否則會導(dǎo)致網(wǎng)絡(luò)不穩(wěn)定，也不能設(shè)置過小，會增加訓(xùn)練時間。通常在0.01-0.1值中選擇，本文根據(jù)訓(xùn)練情況學(xué)習(xí)速率選擇0.02值。

引入動量因子是為了增加網(wǎng)絡(luò)的穩(wěn)定性防止振蕩，其值一般在0-1之間，經(jīng)過實驗本文中動量因子參數(shù)為0.85值。

期望誤差的選取同樣根據(jù)實際情況，期望誤差如果設(shè)置過大，網(wǎng)絡(luò)往往得不到充分訓(xùn)練，影響分類的精度，如果設(shè)置過小，網(wǎng)絡(luò)收斂速度慢。本實驗選取幾個不同的期望誤差進行訓(xùn)練對比，最后確定期望誤差值為0.045。

經(jīng)過網(wǎng)絡(luò)參數(shù)配置后，本實驗網(wǎng)絡(luò)訓(xùn)練收斂情況如圖6所示。

圖6　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂情況

圖6橫坐標(biāo)為訓(xùn)練次數(shù)，縱坐標(biāo)為誤差值，黑色直線為期望誤差，從圖中可以看出網(wǎng)絡(luò)在訓(xùn)練50次誤差值為0.048，逐漸收斂，達(dá)到了訓(xùn)練的要求。網(wǎng)絡(luò)訓(xùn)練結(jié)束后，將待分類的影像同樣經(jīng)過降維、歸一化等預(yù)處理工作后輸入到網(wǎng)絡(luò)中用sim函數(shù)進行仿真，代碼為：Y=sim（net，X），其中net為訓(xùn)練好的網(wǎng)絡(luò)，X為待分類的影像，Y為輸出數(shù)據(jù)。

3.3影像自動分類和結(jié)果輸出

仿真結(jié)束后，Y輸出數(shù)據(jù)是一個5行801×902列矩陣，即每一列向量對應(yīng)一個仿真的像元，其中最大值所在行數(shù)即為該類別數(shù)，將類別數(shù)組成的行向量轉(zhuǎn)化成原影像同樣大小的矩陣就可以以圖片格式輸出，輸出數(shù)據(jù)是只有5個灰度值的柵格圖（圖7）。

圖7　東嶼島仿真柵格圖

輸出的灰度圖用ENVI提供的決策樹分類算法為其配色可以得到直觀性強的分類圖，結(jié)果如圖8。

圖8　BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖

4　分類精度比較

精度評價是圖像分類后的一項重要工作。通過精度分析，分類者能夠確定分類模式的有效性，改進分類模式，提高分類精度；使用者能夠根據(jù)分類結(jié)果的精度，正確、有效的獲取分類結(jié)果中的信息。

ENVI提供了包括分類結(jié)果疊加、混淆矩陣和ROC曲線等方法。比較兩幅圖像中地類的一致性是精度評價最好方法，一般情況下，只能通過采樣的方法對地類像元的一致性進行檢查，因為不可能對所有的像元進行檢查。通過抽取一定數(shù)量的像元，也是可以反映整體圖像的分類質(zhì)量的。本實驗采用混淆矩陣中的地表真實感興趣區(qū)驗證方法評價遙感影像分類精度。驗證樣本可以通過野外實地調(diào)查，也可以在高分辨率圖像上，通過目釋解譯獲取各個分類的地表真實感興趣區(qū)（鄧書斌，2010）。鑒于研究區(qū)航空影像源數(shù)據(jù)空間分辨率為1 m，結(jié)合東嶼島的文字圖片資料，在影像上選取7 578個像元作為驗證樣本，連同5 033個訓(xùn)練樣本每類具體數(shù)量如表1。因影像上少量云影，為了對分類結(jié)果和其他方法進行有效的精度分析，驗證樣本選取有把握的區(qū)域（圖9）。

圖9　東嶼島驗證樣本

表1　訓(xùn)練樣本數(shù)和驗證樣本數(shù)統(tǒng)計表

本實驗利用傳統(tǒng)監(jiān)督分類的分類方法與基于人工智能的人工神經(jīng)網(wǎng)絡(luò)方法在分類精度上進行驗證比較。在ENVI中分別實施最小距離分類和最大似然分類，為保證對比的客觀性，最小距離分類法和最大似然分類法使用與BP神經(jīng)網(wǎng)絡(luò)分類法相同的訓(xùn)練樣本和驗證樣本，最小距離分類和最大似然分類結(jié)果分別如圖10、11所示。

圖10　最小距離分類結(jié)果圖

圖11　最大似然分類結(jié)果圖

將BP神經(jīng)網(wǎng)絡(luò)、最小距離和最大似然3種方法的分類結(jié)果圖分別與驗證樣本進行混淆矩陣計算，混淆矩陣是通過將每個實測像元的位置和分類與分類圖像中的相應(yīng)位置和分類相比較計算的，對角線的數(shù)值為正確被分類的像元數(shù)，而非對角線的數(shù)值為被錯誤分類的像元數(shù)。表2、表3和表4分別為最小距離、最大似然和BP神經(jīng)網(wǎng)絡(luò)分類的混淆矩陣（行為實際的地物類別，列為分類的地物類別）。

表2是采用最小距離法分類的混淆矩陣，這種分類方法的總精度為82.32%，Kappa系數(shù)為0.76。其中水體抽樣樣本為2 012個像元，有1 554個像元被正確分類，458個像元則被混分類為林地，分類精度為77.24%，同樣草地、林地、建筑物和沙地（高爾夫球場的白沙子）分類精度分別是89.29%、92.63%、100.00%、0.00%。從數(shù)據(jù)可以看出只有林地的識別精度較高，而建筑物和沙地（高爾夫球場的白沙子）則錯誤分類嚴(yán)重，491個沙地的抽樣樣本像元全部錯分類為建筑物，主要原因在于兩者的光譜具有很大的相似性。由此看來，最小距離法對于東嶼島航空影像的分類結(jié)果不能令人不滿意。

表2　最小距離分類混淆矩陣

表3　最大似然分類混淆矩陣

表4　BP神經(jīng)網(wǎng)絡(luò)分類混淆矩陣

表3是采用最大似然分類的混淆矩陣，除林地、建筑物與其他地物存在不同程度的混分，其余地物分類精度均比較好，特別是對草地、水體的識別精度很高。分類總精度和Kappa系數(shù)較最小距離法均有了一定的提高，分別為87.37%和0.83。

運用BP神經(jīng)網(wǎng)絡(luò)對東嶼島影像進行分類的混淆矩陣如表4，從表中可以看出分類質(zhì)量良好，分類總精度為87.85%，Kappa系數(shù)為0.84。草地和水體分類效果較好，而建筑物和其他地類的混淆現(xiàn)象仍然存在，除建筑物和沙地（高爾夫球場的白沙子）光譜特性相似原因外，這兩類地物在東嶼島的面積較小，不太容易選取合適的訓(xùn)練樣本。

從3種分類方法的混淆矩陣對比可以看出，BP神經(jīng)網(wǎng)絡(luò)在總精度和Kappa系數(shù)上均要優(yōu)于傳統(tǒng)監(jiān)督分類的方法。對于建筑物和沙地這兩類地物，由于兩者光譜特征相似，最小距離分類法無法將其分類。此外，原影像上有少量云影，通過目釋可以發(fā)現(xiàn)傳統(tǒng)監(jiān)督分類的方法錯將云影分類為建筑物，最大似然分類法表現(xiàn)尤為明顯，而BP神經(jīng)網(wǎng)絡(luò)分類除厚云層外，基本能正確分類。這均依賴于BP神經(jīng)網(wǎng)絡(luò)智能算法的優(yōu)越性，BP神經(jīng)網(wǎng)絡(luò)算法通過對樣本的學(xué)習(xí)，不斷訓(xùn)練來對結(jié)果進行無限逼近，而傳統(tǒng)的分類方法則是假定概率分布的一種基于統(tǒng)計學(xué)的方法，因此從分類效果對比，BP神經(jīng)網(wǎng)絡(luò)分類要優(yōu)于最小距離分類。

5　結(jié)論與展望

本文在對BP神經(jīng)網(wǎng)絡(luò)算法研究的基礎(chǔ)上，以東嶼島航空影像為數(shù)據(jù)源，在MATLAB軟件平臺上實現(xiàn)對該海島影像的分類，并將分類結(jié)果和最小距離分類的結(jié)果進行比較。比較結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果要優(yōu)于最小距離分類結(jié)果，該算法提高了東嶼島航空影像分類的總精度。本實驗說明對于海島航空影像而言BP神經(jīng)網(wǎng)絡(luò)分類更為行之有效，可為海島航空影像數(shù)據(jù)的深入分析提供一種應(yīng)用途徑（徐文斌等，2013）。

就海島航空影像分類而言，如能有確定隱含層神經(jīng)元數(shù)目的有效方法，或選擇更合理的訓(xùn)練樣本，分類精度可能會進一步提高，因此在實際應(yīng)用中有待于進一步改進該算法。遙感影像的智能分類算法和基于流程自動化的影像智能分類處理平臺應(yīng)是海島影像解譯工作今后的發(fā)展方向，通過大規(guī)模的智能高效分類，為管理決策部門動態(tài)掌握海島基本情況和變化趨勢提供技術(shù)支撐，進而促進海島保護和開發(fā)利用活動有序進行。

鄧書斌，2010.ENVI遙感圖像處理方法.北京：科學(xué)出版社.

都業(yè)軍，2008.人工神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用與對比研究.內(nèi)蒙古師范大學(xué).

段新成，2008.基于BP人工神經(jīng)網(wǎng)絡(luò)的土地利用分類遙感研究.北京，中國地質(zhì)大學(xué).

飛思科技產(chǎn)品研發(fā)中心，2003.MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計.北京：電子工業(yè)出版社.

賈坤，李強子，田亦陳，等，2011.遙感影像分類方法研究進展.光譜學(xué)與光譜分析，31（10）：2 618-2 623.

賈永紅，張春森，王愛平，2001.基于神經(jīng)網(wǎng)絡(luò)的多源遙感影像分類.西安科技學(xué)院學(xué)報，3（1）：58-60.

蔣捷峰，2011.基于BP神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類研究.北京，首都師范大學(xué).

可華明，陳朝鎮(zhèn)，2010.基于MATLAB的GA-BPNN遙感圖像分類.西南科技大學(xué)報，3（13）：55-57.

李燕，2012.基于神經(jīng)網(wǎng)絡(luò)的遙感圖像識別算法.測繪與空間地理息，2（35）：156-158.

李源泰，2010.基于人工神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究.昆明理工大學(xué).

毛建旭，王耀南，2001.基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類.測控技術(shù)，20（5）：29-32.

吳姍姍，劉智訓(xùn)，2013.關(guān)于海島生態(tài)整治修復(fù)及保護項目的思考和建議.海洋開發(fā)與管理，4：9-12.

徐文斌，林寧，盧文虎，等，2013.基于最大似然法的釣魚島航空遙感監(jiān)視監(jiān)測信息提取.海洋通報，32（5）：548-552.

（本文編輯：袁澤軼）

Classification of the remotely sensed image for the Dongyu Island based on back-propagation neural network

CAO Zhao-wei1,LIN Ning2,XU Wen-bin2,LU Wen-hu2,ZHANG Xiao-long3
（1.Shanghai Ocean University,Shanghai201306,China;2.National Marine Data and Information Service,Tianjin 300171,China; 3.Zhenjiang Meteorological Service,Zhenjiang 212003,China）

It is necessary to classify island remote sensing images efficiently and accurately for making full use of the island basic data,grasping the basic situation and changes of islands,ensuring the island protection and exploitation in an orderly manner and achieving the effective dynamic regulation of all the islands.In this paper,the aerial remote sensing image of the Dongyu Island of Hainan province in 2008 was used to build the"3-8-5"three-layer BP neural network classification model by MATLAB software and training samples were selected by ENVI software.The model was applied to obtain the classification of the remotely sensed image for the Dongyu Island.The results show that this BP neural network classification method provides a more effective classification technology for the island remotely sensed image and improves the accuracy of classification.The overall accuracy of the BP classification is 87.85%,and the Kappa coefficient is 0.84.It means the total classification accuracy is increased by 5.53 percentage and the Kappa coefficient is increased by 0.07 compared with those from the Minimum Distance method.

back-propagation neural network;classification of remotely sensed images;island;Dongyu Island

TP75

A

1001-6932（2016）05-0587-07

10.11840/j.issn.1001-6392.2016.05.013

2015-08-03；

2015-11-02

曹兆偉（1987-），男，碩士研究生，主要從事數(shù)字圖像處理研究。電子郵箱：caozhaowei@live.com。